OpenAI Gymnasium（Gym≥0.26.2）学习记录（2025/2/19更新）

已于 2025-02-19 19:36:41 修改
阅读量1.3k 收藏 28
点赞数 28
分类专栏： Robotics 文章标签： python 机器学习 人工智能 学习方法
于 2025-02-19 14:14:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_53922936/article/details/145727116
版权

#写此文章的初衷是为了帮助自己有一个系统的思路，也方便其他从事相同研究的朋友有一个参考#

文章内容可能会有一些纰漏，希望广大朋友提出宝贵意见，行文不易。

注：文章参考了OpenAI官方教程以及《Easy RL》的内容，本文章属于公益性质，如有侵权请联系删除，谢谢！

Gym和Gymnasium

如果看到此文的朋友的Gym版本是老版（gym≤0.26.0），那么可以看其他大佬写的更成熟的教程进行学习，如果是最新版本（如gym=0.26.2），那么可以参考这篇文章的一些内容。

注：从2021年开始，Gym的团队已经转移开发新版本Gymnasium，替代Gym(import gymnasium as gym)，Gym将不会再更新。请尽可能切换到Gymnasium。

Gym的安装

Gym是OpenAI公司开发的最初版本，目前支持到0.26.0，如果你是直接使用

pip install gym[all]

指令，那么会直接安装最新版本的Gym≥0.26.0。如果你直接输入

import gym

那么在官方Gymnasium最新教程是会报错的，那么这时候需要根据官网的新教程，将上述代码替换成下述即可。

import gymnasium as gym

验证是否安装成功

最低0.47元/天 解锁文章
OpenAI Gymnasium, are there any libraries with algorithms supporting it?
suiusoar
09-09 751
对于OpenAI Gym，是否有支持它的算法库？
OpenAI gym CarRacing-v2 episode termination
suiusoar
09-06 586
OpenAI Gym CarRacing-v2 赛道终止处理
【强化学习】gymnasium自定义环境并封装学习笔记
几度热忱的博客
06-12 5062
【强化学习】gymnasium自定义环境并封装学习笔记 gym与gymnasium简介 gym gymnasium gymnasium的基本使用方法 使用gymnasium封装自定义环境 官方示例及代码 编写环境文件 __init__()方法 reset()方法 step()方法 render()方法 close()方法 注册环境 创建包 Package（最后一步） 创建自定义环境示例
7大主流仿真平台深度解析｜具身智能革新：GPU加速80倍+生成式AI，效率飙升！
soaring_casia的专栏
03-21 851
在机器人和人工智能研究领域，仿真平台扮演着至关重要的角色。它们不仅能够加速算法开发和验证过程，还能显著降低研究成本并提高安全性。高质量的仿真环境使研究人员能够在不涉及实体硬件的情况下，快速测试和优化各种算法和策略。这种方法不仅降低了设备损坏的风险，也大大减少了实验所需的时间和资源投入。特别是在涉及复杂场景或危险操作的研究中，仿真平台的价值更加凸显。本文将详细介绍七个主流的仿真平台，涵盖它们的特点、应用场景和技术优势。这些平台各具特色，能够满足不同研究和开发需求。
OpenAI Gym Note
dragonchow123的专栏
01-15 345
gym
【第2章:OpenAI Gym接口 和 Gymnasium库】【动手实践深度强化学习/Deep Reinforcement Learning Hands-On】【Third Edition】
最新发布
name
04-15 716
你已经开始学习强化学习的实践方面！在本章中，我们实践了 Gymnasium库，它有大量的环境可供玩耍。我们也研究了其基本 API，并创建了一个随机行为的智能体。你还学习了如何以模块化方式扩展现有环境的功能，并熟悉了如何使用包装器呈现智能体的活动。这将在后续章节中大量使用。在下一章中，我们将使用 PyTorch 快速回顾深度学习，PyTorch 是最广泛使用的深度学习工具包之一。
Gymnasium 开源项目教程
gitblog_01035的博客
08-09 940
Gymnasium 开源项目教程 GymnasiumAn API standard for single-agent reinforcement learning environments, with popular reference environments and related utilities (formerly Gym)项目地址:https://gitcode.com/gh_mir...
如何创建gym环境
stanleyrain的博客
11-17 2761
如何定制自己的gym环境呢？gym是强化学习的重要训练工具，说明了如何定制开发自己的gym环境，并解决了Namespace的错误
强化学习——OpenAI Gym——环境理解和显示
12-21
在强化学习中，OpenAI Gym是一个广泛使用的平台，它提供了许多环境用于训练和测试智能体。本文将深入探讨OpenAI Gym环境的理解和显示，以CartPole为例。 首先，我们需要导入`gym`库，并创建一个特定的环境。在...
强化学习入门-Gym\Gymnasium简介、安装与测试运行
zjh2883的博客
02-05 9042
gym是一个开源的强化学习实验平台，一个用于训练强化学习算法的Python库，它提供了一系列环境，让开发者可以专注于设计新的强化学习算法，而不需要从零开始搭建环境，使研究人员能够测试和比较他们的强化学习算法。gym通过提供具有各种复杂度的任务，使得研究人员可以轻松地探索强化学习的各个方面。 本文介绍了gym，及其进阶版本gymnasium，说明安装教程，和测试用例。
OpenAI Gym: Understanding `action_space` notation (spaces.Box)
suiusoar
08-07 341
我想在OpenAI的CarRacing-v0环境上设置一个强化学习（RL）智能体，但在此之前，我想先了解动作空间。是每个维度上可接受的最大值。在这种情况下（参照注释），我们可以看到我们有3个可用于动作的维度，每个维度都可以独立地在-1.0到+1.0的范围内取值。如何解读这一行代码？尽管我的问题是关于CarRacing-v0环境的具体问题，但我想一般性地了解。"Box" 在这里指的是你正在处理的是实数值（real valued quantities）是每个维度上可接受的最小值，而第二个数组。
深度强化学习实战,从gym到gymnasium
Ethan|实验室
10-11 680
发现在openai-gym维护到0.26.2后转到了Farama-Foundation下面的gymnasium,目前一直维护到了0.29.1.经过测试,如果在随书中的代码的版本,则需要使用gym的0.25.2版本,也就是在安装gym时指定版本号为0.25.2。其它的照着书中的步骤基本上可以跑通.好像我这边差了个pygame,
多智能体强化学习-Gymnasium-01介绍及安装
NACYHAN01的博客
10-27 783
Gymnasium 是 OpenAI 的 Gym 库的维护分支。Gymnasium 接口简单、pythonic，能够表示一般的 RL 问题，并且具有适用于旧 Gym 环境的兼容性包装器。
强化学习Agent系列（二）——PyGame虚拟环境创建与Python 贪吃蛇Agent制作实战教学
风吹落叶的博客
02-28 2280
大家好，未来的开发者们请上座随着人工智能的发展，强化学习基本会再次来到人们眼前，遂想制作一下相关的教程。强化学习第一步基本离不开虚拟环境的搭建，下面用大家耳熟能详的贪吃蛇游戏为基础，制作一个Agent，完成对这个游戏的绝杀。万里长城第二步：用python开发贪吃蛇智能体****加粗样式gymnasium（此前称为gym）是一个由 OpenAI 开发的 Python 库，用于开发和比较强化学习算法。它提供了一组丰富的环境，模拟了各种任务，包括但不限于经典的控制问题、像素级游戏、机器人模拟等。
（16-2）多智能体强化学习实战：Predator-Prey游戏（2）
码农三叔
04-12 959
定义了一个名为 PredatorPreyEnv 的自定义强化学习环境类，用于模拟捕食者-猎物的情境。具体实现代码如下所示。})定义了一个自定义强化学习环境类 PredatorPreyEnv，该类继承自gym.Env。允许通过参数来配置环境的各种属性，包括环境大小、视觉范围、捕食者和猎物数量、奖励函数等。定义了观察空间和动作空间，以规定代理程序的感知和行动范围。实现了环境的初始化、状态重置、动作执行和渲染等核心方法。可以在图形界面或以RGB数组的形式进行渲染。
如何区分：Gymnasium、Gym 和 Isaac Gym？（更新中）
qq_36674060的博客
01-13 1862
特性GymGymnasiumIsaac Gym开发者OpenAI社区维护NVIDIA状态停止更新持续更新持续更新性能基于 CPU基于 CPU基于 GPU，大规模并行仿真主要用途通用强化学习环境通用强化学习环境高性能机器人物理仿真兼容性兼容 Gym API类似 Gym API是否推荐不推荐（已弃用）推荐推荐（适合高性能仿真任务）
【RL】自定义强化学习环境（基础）
MrZhang的博客
05-25 2553
主要就是两个属性（动作空间action_spce, 观测空间observation_space），两个方法（reset，step），奖励规则（compute_reward）​​# 动作空间# 观测空间​'''重置环境。在开始一个新的回合时调用，返回初始状态和一个可选信息字典'''​'''执行一步操作。在环境中执行给定的动作并返回新的状态、奖励、是否完成和额外信息'''​​pass离散：有限的、明确的选择（例如：上下左右）。连续：无限的、细微的变化（例如：方向盘角度）。
强化学习实验环境Gymnasium：1.INTRODUCTION：1.1 Basic Usage
溯源的专栏
05-10 836
强化学习平台Gymnasium官方文档翻译
pip如何下载Gym/ Gymnasium
03-15
<think>嗯，用户想通过pip安装Gym或Gymnasium库，但遇到了问题。首先，我需要回忆一下安装这两个库的基本命令。Gym是OpenAI开发的强化学习环境库，而Gymnasium是它的社区维护分支。用户可能遇到了依赖项缺失或版本不兼容的问题。 根据引用[1]，安装Gym时可能需要指定额外的依赖项，比如atari或者classic_control。例如，使用pip install gym[atari]来安装Atari相关的依赖。如果用户只安装基础库，可能缺少某些环境所需的模块，比如pygame，这在引用[3]中提到过。用户运行代码时提示需要安装gym[classic_control]，但安装时又报错，可能涉及到其他依赖问题。 另外，引用[2]提到回退pip和setuptools的版本可能解决某些安装问题。比如，使用旧版本的setuptools和pip，因为新版本可能存在兼容性问题。用户在安装时如果遇到模块找不到的错误，可能需要调整这些工具的版本。 对于Gymnasium，安装命令应该是pip install gymnasium，如果需要额外环境，同样需要加上对应的标签，比如pip install gymnasium[atari]。用户可能混淆了Gym和Gymnasium的安装方式，需要明确说明两者的区别和各自的安装步骤。 另外，用户可能在虚拟环境中安装，比如使用conda创建的环境，但路径或环境激活可能有问题，导致安装到全局Python中而非当前环境。需要提醒用户检查激活的环境是否正确，以及pip是否指向正确的环境路径。 最后，常见问题部分需要涵盖权限问题（使用sudo可能导致系统包混乱，建议用用户安装或虚拟环境）、网络问题（镜像源）、依赖项缺失（如C++编译工具链），以及彻底卸载重装的步骤。这些步骤能帮助用户逐一排查问题，确保安装成功。</think>### 如何通过 pip 安装 Gym 或 Gymnasium 库 #### 1. 基础安装命令 - **安装 Gym**: ```bash pip install gym ``` 若需要特定环境依赖（如经典控制、Atari游戏等），需补充标签。例如： ```bash pip install gym[classic_control] # 包含经典控制环境（如CartPole） pip install gym[atari] # 包含Atari游戏环境 pip install gym[all] # 安装所有依赖（可能因系统兼容性报错）[^1] ``` - **安装 Gymnasium**（Gym的社区维护分支）: ```bash pip install gymnasium ``` 类似地，添加标签安装额外环境： ```bash pip install gymnasium[classic_control] pip install gymnasium[atari] ``` #### 2. 常见问题解决方案 - **依赖项缺失**（如`pygame`或`distutils`）： - 手动安装缺失模块（例如`pygame`）： ```bash pip install pygame ``` - 若报错涉及`distutils.msvccompiler`（Windows系统常见），需安装`setuptools`的兼容版本[^2]： ```bash pip install setuptools==65.5.0 ``` - **权限问题**： 使用`--user`避免系统级安装： ```bash pip install gym --user ``` 或通过虚拟环境隔离： ```bash python -m venv myenv source myenv/bin/activate # Linux/macOS myenv\Scripts\activate # Windows pip install gym ``` - **版本冲突**： 回退`pip`和`setuptools`版本（部分旧环境需要）： ```bash python -m pip install setuptools==65.5.0 pip==21 ``` #### 3. 验证安装 ```python import gym # 或 import gymnasium env = gym.make("CartPole-v1") observation = env.reset() print(observation) # 应输出初始状态数组 ``` #### 4. 卸载与重装（针对安装残留问题） ```bash pip uninstall gym gymnasium pip install gym --no-cache-dir # 忽略缓存重新安装 ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值